LCNP LabelMe
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- University of Bonn
- Szervezet típusa
- Academia
- Ország
- Germany
- Közölt
- 22 November 2009
- Szerzők
- Rafael Uetz, Sven Behnke
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Object recognition
- Megközelítés
- Supervised
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 13.7M
- Képzési adatok
- 40,000 tokens
- Epochok
- 1,000
Locally connected: 128*128*4*4*4*7 + 64*64*8*4*4*4 + 32*32*16*4*4*8 + 16*16*32*4*4*16=13631488 Classification head: 16*16*32*12=98304 Total: 13631488+98304=13729792 "five regular layers with the dimensions 256×256, 128×128, . . ., 16×16." "size of the receptive field to be 4 × 4 neurons"
Table 1
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 3.3 × 10¹⁵ FLOP
- Hogyan jött létre
- Operation counting
2*13729792*3*40000*1000=3295150080000000
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Határmodell
- Yes
- Miért követik nyomon
- Historical significance
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Large-scale object recognition with CUDA-accelerated hierarchical neural networks
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Mit jelent ez a modell
LCNP LabelMe ki lett adva által University of Bonn, az országban rögzítve mint Germany, alatt November 2009. A kiadó kategóriája alá tartozik academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása object recognition.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 3.3 × 10¹⁵ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 40,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: historical significance.
Válaszok
LCNP LabelMe — gyakori kérdések
LCNP LabelMe— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
LCNP LabelMe— Hány paramétere van?
Paraméterszáma 13.7M. Locally connected: 128*128*4*4*4*7 + 64*64*8*4*4*4 + 32*32*16*4*4*8 + 16*16*32*4*4*16=13631488 Classification head: 16*16*32*12=98304 Total: 13631488+98304=13729792 "five regular layers with the dimensions 256×256, 128×128, . . ., 16×16." "size of the receptive field to be 4 × 4 neurons". Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
LCNP LabelMe— Ki készítette ezt?
Kiadta University of Bonn, alapján Germany, egy szervezet, amelyet kategorizáltak mint academia.
LCNP LabelMe— Mikor adták ki?
Kibocsátották a November 2009. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
LCNP LabelMe— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot object recognition. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
LCNP LabelMe— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.3 × 10¹⁵ FLOP. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
LCNP LabelMe— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..